Modelos Hierárquicos Bayesianos para a Variação Espacial no Risco de Doença: Em A Estatística em Movimento

Research output: Chapter in Book/Report/Conference proceedingConference contributionpeer-review

Abstract

Resumo: Na modelação do risco de determinadas doenças só ao incluir uma estrutura espacial (e/ou temporal) que é subjacente ao risco da doença, se conseguem obter resultados satisfatórios, revelando-se tal procedimento muito importante no estabelecimento de hipóteses etiológicas sobre a doença. Num estudo deste tipo, que envolve dados tipicamente sob a forma de contagens em pequenas áreas e a correspondente população em risco, é muito frequente acontecer que as estimativas de MV das taxas sejam muito variáveis, não se conseguindo concluir se a variabilidade observada reflecte a existência de uma estrutura de dependência espacial dos riscos de doença. Se os dados forem analisados recorrendo a um modelo hierárquico Bayesiano é possível separar-se a variação Poisson das contagens da variação extra-Poisson, sendo esta última componente modelada explicitamente em termos de uma componente espacial e outra não espacial. Recorre-se à metodologia MCMC para se estimarem as distribuições a posteriori envolvidas, através do Gibbs sampler. Ilustra-se esta metodologia aplicando-a. No estudo do cancro do estômago em Portugal Continental, sub-dividido nos 275 concelhos que o constituem.
Abstract: When one is interested in modeling risk of some diseases, it is only possible to achieve good results when a spatial (and/or temporal) structure is considered, being such procedure extremely important to establish ethiological hypothesis about the disease. In this kind of analysis, where data typically consist of counts in small areasand the corresponding risk population, it often happens that the risk ML estimates are quite variable, making it difficult to conclude whether this variability reflects theexistence of a spatial structure on data. The analysis through an Hierarchical Bayesian model allows us to separate the counts Poisson variation from the extra-Poisson variation, this last component modeled explicitly in terms of two components: a spatialone and a non-spatial. To estimate the posterior densities we use the MCMC method, Gibbs sampler. We apply here these methods to a set of data of stomach cancer deaths in Continental Portugal, divided into its 275 administrative divisions, called concelhos.
Original languagePortuguese
Title of host publicationA Estatística em Movimento
Subtitle of host publicationActas do VIII Congresso Anual da SPE
EditorsM. Neves, J. Cadima, M. João Martins, Fernando Rosado
Place of PublicationPeniche
PublisherSociedade Portuguesa de Estatística
Pages261-270
Number of pages10
ISBN (Print)9729861927
Publication statusPublished - 2001
Event VIII Congresso Anual da Sociedade Portuguesa de Estatística - Peniche, Portugal
Duration: 4 Oct 20007 Oct 2000

Conference

Conference VIII Congresso Anual da Sociedade Portuguesa de Estatística
CountryPortugal
CityPeniche
Period4/10/007/10/00

Keywords

  • Variabilidade Espacial
  • Modelo Hierárquico Bayesiano
  • MCMC
  • Spatial Variability
  • Hierarchical Bayesian Model

Cite this